GC-MS对广西不同产地瑶药老鸦嘴挥发油化学成分的分析

采用GC-MS分析了不同产地瑶药老鸦嘴挥发油的化学成分。结果表明,马山百龙滩地石屯产老鸦嘴分离出49个色谱峰,鉴定出24种化学成分,占挥发油总量的88.78%。都安县澄江镇红渡村产老鸦嘴分离出49个色谱峰,鉴定出30种化学成分,占挥发油总量的88.38%。都安县龙湾乡附近产老鸦嘴分离出48个色谱峰,鉴定出25种化学成分,占挥发油总量的80.01%。在3个产地老鸦嘴的挥发油化学成分中,有9种成分是三者共有的成分。这表明不同产地挥发油的主要成分存在差异。     

堆肥化过程中氮素损失控制材料的添加试验研究

以堆肥化过程氮素损失规律为基础,在模拟堆肥条件下,分别采用物理吸附材料、化学吸附材料和混合材料为固定剂,各种固定剂按不同比例梯度添加,进行氨的固定试验研究。结果表明,固定效率随固定剂添加量的增加而升高。蚯蚓粪(7.32%)和草炭(8.99%)有较好的固定效果,且二者本身就是一种含养分丰富的腐殖质类肥料,适合做堆肥化氮素损失原位控制材料。硫酸盐和氯化盐都对氨有一定的固定效果,其中铁盐和铝盐对氨的固定效果明显,最高可达99%。氯化铁和过磷酸钙混合固定剂有较好的固定效果,但不如等量的氯化铁、过磷酸钙单独作用的效果。氢氧化镁和磷酸按不同比例反应制成的各种乳状液对氨都有极好的固定作用,所有处理均达70%以上。同时在堆肥产品中还获得一种含MgNH4PO4的有机无机新型复混肥,有利于作物的生长,是一种理想的堆肥化添加剂。     

高温堆肥过程中的氮素损失及其变化规律

利用鸡粪和粉碎小麦秸秆为原料进行了C/N比分别为12.4、17.4、31.2、35.2的自然通风静态堆肥对比试验,定量化研究了堆肥过程中不同阶段各种形态氮素转化和氮素损失途径。结果表明,TOC随着堆肥的进行逐渐降低,C/N比越低堆肥TOC的降解越少;低C/N比堆肥的全氮含量呈下降趋势,高C/N比堆肥处理的含氮量呈上升趋势。堆肥过程中的C/N比均呈下降趋势,其中31.2C/N和35.2C/N2个处理的C/N比下降明显,12.4C/N和17.4C/N堆肥处理的C/N比变化不大。12.4C/N、17.4C/N、31.2C/N、35.2C/N4个堆肥处理的氮素损失率分别为58.7%、60.2%、37.7%、23.3%。氮素损失的主要途径为铵态氮以氨气的形式挥发,堆肥的3～7d是氮素损失的主要时期。堆肥过程中氨态氮和有机氮的变化最大,硝态氮变化较小,主要在堆肥后期略有形成,堆肥28d时,所有堆肥处理硝态氮含量占总氮含量变化为0.58%～0.25%。堆肥C/N比越低,有机氮损失越多,氨态氮损失越小。高C/N比堆肥氨态氮不仅损失少,而且向有机氮转化。     

基于目标检测及边缘支持的鱼类图像分割方法

对图像中的鱼类目标进行分割是提取鱼类生物学信息的关键步骤。针对现有方法对养殖条件下的鱼类图像分割精度较低的问题,提出了基于目标检测及边缘支持的鱼类图像分割方法。首先,设计了基于目标检测的完整轮廓提取方法,将具有完整轮廓的鱼类目标从图像中提取出来作为分割阶段的输入,使得整幅图像的分割问题转化为局部区域内的分割问题;然后,搭建Canny边缘支持的深度学习分割网络,对区域内的鱼类实现较高精度图像分割。实验结果表明,本文方法在以VGG-16、ResNet-50和ResNet-101作为主干网络的模型上的分割精度为81.75%、83.73%和85.66%。其中,以ResNet-101作为主干网络的模型与Mask R-CNN、U-Net、DeepLabv3相比,分割精度分别高14.24、11.36、9.45个百分点。本文方法可以为鱼类生物学信息的自动提取提供技术参考。     

模糊水下图像多增强与输出混合的鱼类检测方法

针对模糊水下图像增强后输入鱼类检测模型精度降低的问题,提出了模糊水下图像多增强与输出混合的鱼类检测方法。利用多种图像增强方法对模糊的水下图像进行增强,将增强后的图像分别输入鱼类检测模型得到多个输出,对多个输出进行混合,然后利用非极大抑制方法对混合结果进行后处理,获得最终检测结果。YOLO v3、YOLO v4 tiny和YOLO v4模型的试验结果表明,对比原始图像的检测结果,本文方法的检测精度分别提高了2.15、8.35、1.37个百分点;鱼类检测数量分别提高了15.5%、49.8%、12.7%,避免了模糊水下图像增强后输入鱼类检测模型出现精度降低的问题,提高了模型检测能力。     

多要素局部-全局特征关联的有效波高预测模型

有效浪高(Significant Wave Heights,SWH)是描述海浪的重要属性,SWH预测对于保障近岸工程设计以及海上作业安全具有重要意义。近年来,深度学习方法被用来对SWH预测,但是目前存在的方法无法有效捕捉SWH的长时间相关性,同时忽略了海洋多要素之间的局部关联。为此,本文提出了一种结合海洋多要素局部和全局特征的SWH预测模型(Multi-elements Local and Global Correlation for Wave height Prediction, MLG-SWH)。首先,以有效浪高、风速、周期等多要素作为输入,设计了局部-全局编码(Local-Global Embedding,LGE)模块提取海洋多要素的局部关联以及时间信息;然后,采用编-解码器作为基础网络结构提取多要素海浪序列特征,在编-解码器中设计了因果空洞卷积自注意力模块有效捕捉海洋多要素序列的全局长时间相关性,并在解码器中利用生成推理方式避免单步迭代预测产生的误差累积;最后,选取北大西洋海浪浪高变化特点不同的两个站点数据进行实验。相较于经典时间序列预测模型以及主流深度学习方法,所提MLG-SWH模型在24、48小时预测的均方误差(MSE)以及平均绝对误差(MAE)均为得最低,并在长时序预测方面具有较大的优势。     

氢氧化镁和磷酸固定剂控制堆肥氮素损失的研究

利用原位控制思路,在摸拟堆肥试验的基础上,通过实验室堆肥小试研究,将麦麸和鸡粪按比例混合,将不同配比、不同添加量、不同投加方式的同定剂应用于堆肥物料进行比较试验.结果表明,3种配比的固定剂适合应用于堆肥过程中进行氮素损失控制.与其他类同定剂相比,磷酸比例高的添加剂具有较好的固定效果,磷酸比例低的同定剂在堆肥化的初期具有相埘较好的固定效果,而且价格便宜.堆肥化过程中采用分批加入固定剂相对于物料混合时一次性加入等量固定剂的固定效果显著,固定剂的加入可以在补水、翻堆时进行.采用与堆肥物料混匀和表面喷淋相结合方法比单独一种方法对氮的固定效果好.     

基于改进Cascade R-CNN和图像增强的夜晚鱼类检测

针对光照不均、噪声大、拍摄质量不高的夜晚水下环境,为实现夜晚水下图像中鱼类目标的快速检测,利用计算机视觉技术,提出了一种基于改进Cascade R-CNN算法和具有色彩保护的MSRCP（Multi-scale Retinex with color restoration）图像增强算法的夜晚水下鱼类目标检测方法。首先针对夜晚水下环境的视频数据,根据时间间隔,截取出相应的夜晚水下鱼类图像,对截取的原始图像进行MSRCP图像增强。然后采用DetNASNet主干网络进行网络训练和水下鱼类特征信息的提取,将提取出的特征信息输入到Cascade R-CNN模型中,并使用Soft-NMS候选框优化算法对其中的RPN网络进行优化,最后对夜晚水下鱼类目标进行检测。实验结果表明,该方法解决了夜晚水下环境中的图像降质、鱼类目标重叠检测问题,实现了对夜晚水下鱼类目标的快速检测,对夜晚水下鱼类图像目标检测的查准率达到95.81%,比Cascade R-CNN方法提高了11.57个百分点。     

氢氧化镁和磷酸混合添加剂在模拟堆肥中的保氮效果研究及其经济效益分析(简报)

通过模拟堆肥试验,研究了3种配比的氢氧化镁、磷酸和水的混合物在不同添加量时的氨氮固定效果和效益.结果表明,试验所有配比氢氧化镁与磷酸混合物都适合作为堆肥化过程中的氮素损失原位固定剂,氮素固定效果随混合物中的磷酸含量和混合物投加量的增加而增加.固定率最低达73.1%,最高可达97%以上;固定剂的养分提升效应和经济效益分析表明,质量比为Mg(OH)2:H3PO4:H2O=2.6:17.7:79.7的添加剂可以产生较好的养分提升效应,但只有在添加量小的情况下可产生正的经济效益;Mg(OH)2:H3PO4:H2O=2.7:9.2:88.1的添加剂养分增加量最小,但每种添加量都可以产生正的经济效益;质量比为Mg(OH)2:H3PO4:H20=2.7:13.85:83.8的添加剂的效果居于前两者之间.综上分析,该研究筛选出的几种固定剂效果较好,在实际应用时,应根据堆肥化不同阶段的氮素变化规律选用不同的固定剂会产生更佳的效果.